離散小波變換

在数值分析和泛函分析领域中，离散小波变换（Discrete Wavelet Transform，DWT）是小波被离散采样的小波变换。与其他小波变换一样，它与傅里叶变换相比的一个关键优势是时间分辨率：它既能捕获频率信息，又能捕获位置（时间上的位置）信息。

第一個離散小波變換由匈牙利數學家哈尔發明，離散小波轉換顧名思義就是離散的輸入以及離散的輸出，但是這裡並沒有一個簡單而明確的公式來表示輸入及輸出的關係，只能以階層式架構來表示。

定義

• 首先我們定義一些需要用到的信號及濾波器。
• x[n]：離散的輸入信號，長度為N。
• ${\displaystyle g[n]}$ ：low pass filter低通濾波器，可以將輸入信號的高頻部份濾掉而輸出低頻部份。
• ${\displaystyle h[n]}$ ：high pass filter高通濾波器，與低通濾波器相反，濾掉低頻部份而輸出高頻部份。
• ${\displaystyle \downarrow }$  Q：downsampling filter降采样濾波器，如果以x[n]作為输入，則輸出y[n]=x[Qn]。此處舉例Q=2。

舉例說明: 

清楚規定以上符號之後，便可以利用階層架構來介紹如何將一個離散信號作離散小波轉換：

 

架構中的第1層(1st stage)

${\displaystyle x_{1,L}[n]=\sum _{k=0}^{K-1}x[2n-k]g[k]}$ 

${\displaystyle x_{1,H}[n]=\sum _{k=0}^{K-1}x[2n-k]h[k]}$ 

架構中的第2層(2nd stage)

${\displaystyle x_{2,L}[n]=\sum _{k=0}^{K-1}x_{1,L}[2n-k]g[k]}$ 

${\displaystyle x_{2,H}[n]=\sum _{k=0}^{K-1}x_{1,L}[2n-k]h[k]}$ 

可繼續延伸

 

${\displaystyle \vdots }$ 

${\displaystyle \vdots }$ 

架構中的第${\displaystyle \alpha }$ 層(${\displaystyle \alpha -th}$  stage)

${\displaystyle x_{\alpha ,L}[n]=\sum _{k=0}^{K-1}x_{\alpha -1,L}[2n-k]g[k]}$ 

${\displaystyle x_{\alpha ,H}[n]=\sum _{k=0}^{K-1}x_{\alpha -1,L}[2n-k]h[k]}$ 

注意：若輸入信號${\displaystyle x[n]}$ 的長度是N，則第${\displaystyle \alpha }$ 層中的${\displaystyle x_{\alpha ,L}[n]}$ 及${\displaystyle x_{\alpha ,H}[n]}$ 的長度為${\displaystyle {\frac {N}{2^{\alpha }}}}$

二維離散小波轉換

 

此時的輸入信號變成${\displaystyle x[m,n]}$ ，而轉換過程變得更複雜，說明如下：

首先對n方向作高通、低通以及降頻的處理

${\displaystyle v_{1,L}[m,n]=\sum _{k=0}^{K-1}x[m,2n-k]g[k]}$ 

${\displaystyle v_{1,H}[m,n]=\sum _{k=0}^{K-1}x[m,2n-k]h[k]}$ 

接著對${\displaystyle v_{1,L}[m,n]}$ 與${\displaystyle v_{1,H}[m,n]}$ 延著m方向作高低通及降頻動作

${\displaystyle x_{1,LL}[m,n]=\sum _{k=0}^{K-1}v_{1,L}[2m-k,n]g[k]}$ 

${\displaystyle x_{1,HL}[m,n]=\sum _{k=0}^{K-1}v_{1,L}[2m-k,n]h[k]}$ 

${\displaystyle x_{1,LH}[m,n]=\sum _{k=0}^{K-1}v_{1,H}[2m-k,n]g[k]}$ 

${\displaystyle x_{1,HH}[m,n]=\sum _{k=0}^{K-1}v_{1,H}[2m-k,n]h[k]}$ 

經過(1)(2)兩個步驟才算完成2-D DWT的一個stage。

實際範例

以下根據上述2-D DWT的步驟，對一張影像作二維離散小波轉換(2D Discrete Wavelet Transform)

原始影像 

2D DWT的結果 

${\displaystyle \Rightarrow }$  

複雜度(Complexity)

在討論複雜度之前，先做一些定義，當x[n]*y[n]時，x[n]之長度為N，y[n]之長度為L： ${\displaystyle \ \Rightarrow IDFT_{N+L-1}\left[DFT_{N+L-1}(x[n])DFT_{N+L-1}(y[n])\right]}$ 

其中，

${\displaystyle \ IDFT_{N+L-1}}$ 為(N+L-1)點離散傅立葉反轉換(inverse discrete Fourier transform)

${\displaystyle \ DFT_{N+L-1}}$ 為(N+L-1)點離散傅立葉轉換(discrete Fourier transform)

(1)一維離散小波轉換之複雜度(沒有分段卷积(sectioned convolution))：

${\displaystyle {\frac {3}{2}}(N+L-1)\log _{2}{(N+L-1)}\approx {\frac {3}{2}}N\log _{2}N}$ 

(2)當 N >>> L 時，使用 “分段卷积(sectioned convolution)”的技巧：

將x[n]切成很多段，每段長度為${\displaystyle \mathbb {N} _{1}}$ ，總共會有${\displaystyle S={\frac {N}{N_{1}}}}$ 段，其中${\displaystyle N>N_{1}>>L}$ 。

則

${\displaystyle \ x[n]*g[n]=x_{1}[n]*g[n]+x_{2}[n]*g[n]+...+x_{s}[n]*g[n]}$ 

${\displaystyle \ x[n]*h[n]=x_{1}[n]*h[n]+x_{2}[n]*h[n]+...+x_{s}[n]*h[n]}$ 

複雜度為：

${\displaystyle {\begin{aligned}{\frac {3}{2}}S(N_{1}+L-1)\log _{2}{(N_{1}+L-1)}&\approx {\frac {3}{2}}SN_{1}\log _{2}(N_{1}+L-1)\\&\approx {\frac {3}{2}}N\log _{2}(N_{1}+L-1)\\&\approx {\frac {3}{2}}N\log _{2}N_{1}\\\end{aligned}}}$ 

在這裡要注意的是，當N>>L時，一維離散小波轉換之複雜度是呈線性的(隨N)，${\displaystyle {\mathit {O(N)}}}$ 。

(3)多層(Multiple stages )的情況下：

1.若${\displaystyle \ x_{a,H}[n]}$ 不再分解時：

${\displaystyle {\begin{aligned}Complexity&\approx \left(N+{\frac {N}{2}}+{\frac {N}{4}}+{\frac {N}{8}}+...+2\right){\frac {3}{2}}\log _{2}N_{1}\\&=(2N-2){\frac {3}{2}}\log _{2}N_{1}\\&\approx 3N\log _{2}N_{1}\\\end{aligned}}}$ 

2.若${\displaystyle \ x_{a,H}[n]}$ 也細分時：

${\displaystyle {\begin{aligned}Complexity&\approx \left(N+2{\frac {N}{2}}+4{\frac {N}{4}}+8{\frac {N}{8}}+...+{\frac {N}{2}}2\right){\frac {3}{2}}\log _{2}N_{1}\\&=(N\log _{2}N){\frac {3}{2}}\log _{2}N_{1}\\\end{aligned}}}$ 

(4)二維離散小波轉換之複雜度(沒有分段卷积(sectioned convolution))： ${\displaystyle \ \Rightarrow M{\frac {3}{2}}(N+L-1)\log _{2}{(N+L-1)}+(N+L-1){\frac {3}{2}}(M+L-1)\log _{2}{(M+L-1)}}$ 

上式中，第一部分需要M個一維離散小波轉換並且每個一維離散小波轉換的輸入有N個點；第二部分需要N+L-1個一維離散小波轉換並且每個一維離散小波轉換的輸入有M個點。

${\displaystyle {\begin{aligned}Complexity&\approx {\frac {3}{2}}MN\log _{2}N+{\frac {3}{2}}MN\log _{2}M\\&={\frac {3}{2}}MN(\log _{2}N+\log _{2}M)\\&={\frac {3}{2}}MN\log _{2}MN\\\end{aligned}}}$ 

(5)二維離散小波轉換之複雜度，使用 “分段卷积(sectioned convolution)”的技巧：

假設原始尺寸為${\displaystyle M\times N}$ ，則每一小部分的尺寸為${\displaystyle M_{1}\times N_{1}}$ 

${\displaystyle {\begin{aligned}Complexity&\approx {\frac {MN}{M_{1}N_{1}}}{\frac {3}{2}}M_{1}N_{1}\log _{2}M_{1}N_{1}\\&={\frac {3}{2}}MN\log _{2}M_{1}N_{1}\\\end{aligned}}}$ 

所以若是使用分段摺積，則二維離散小波轉換之複雜度是呈線性的(隨MN)，${\displaystyle {\mathit {O(MN)}}}$ 。

(6)多層(Multiple stages )與二維的情況下：

首先x[m,n]的尺寸為${\displaystyle M\times N}$ ，

1.若${\displaystyle \ x_{a,H_{1}}[n],x_{a,H_{2}}[n],x_{a,H_{3}}[n]}$ 不細分，只細分${\displaystyle \ x_{a,L}[n]}$ 時，總複雜度為：

${\displaystyle {\begin{aligned}totalcomplexity&=\left(MN+{\frac {MN}{4}}+{\frac {MN}{16}}+...\right){\frac {3}{2}}\log _{2}M_{1}N_{1}\\&\approx {\frac {4}{3}}MN{\frac {3}{2}}\log _{2}M_{1}N_{1}\\&=2MN\log _{2}M_{1}N_{1}\\\end{aligned}}}$ 

2.若${\displaystyle \ x_{a,H_{1}}[n],x_{a,H_{2}}[n],x_{a,H_{3}}[n]}$ 也細分時，總複雜度為：

${\displaystyle {\begin{aligned}totalcomplexity&=\left(MN+4{\frac {M}{2}}{\frac {N}{2}}+16{\frac {M}{4}}{\frac {N}{4}}+...\right){\frac {3}{2}}\log _{2}M_{1}N_{1}\\&=\left[MN\log _{2}(min(M,N))\right]{\frac {3}{2}}\log _{2}M_{1}N_{1}\\\end{aligned}}}$ 

重建(Reconstruction)

使用離散小波轉換，將訊號個別通過一個低通濾波器和一個高通濾波器，得到訊號的高低頻成分，而在重建(Reconstruction（英语：Reconstruction_filter）)原始訊號的過程，也就是離散小波的逆轉換(Inverse Discrete Wavelet Transform. IDWT)，直觀而言，我們僅是需要將離散小波轉換做重建濾波即可得到原始輸入信號，以下將推導重建濾波器，也就是IDWT高低通濾波器的構成要件，以及如何來重建原始信號。

重建過程如下：

使用Z轉換：

${\displaystyle X(z)=\sum x(n)z^{-n}}$  

• DWT低通濾波器 ${\displaystyle g(n)}$  的Z轉換為 ${\displaystyle G(z)}$  ，DWT高通濾波器${\displaystyle h(n)}$ 的Z轉換為${\displaystyle H(z)}$ 

• 信號${\displaystyle x(n)}$ 通過濾波器 ${\displaystyle g(n)}$  後，Z轉換為 ${\displaystyle X(z)}$ ${\displaystyle G(z)}$  ，信號${\displaystyle x(n)}$ 通過濾波器 ${\displaystyle h(n)}$  後，Z轉換為 ${\displaystyle X(z)}$ ${\displaystyle H(z)}$ 

• 降低採樣數(downsample)2倍後，

${\displaystyle X_{1,L}(z)={\frac {1}{2}}[X(z^{\frac {1}{2}})G(z^{\frac {1}{2}})+X(-z^{\frac {1}{2}})G(-z^{\frac {1}{2}})]}$  

${\displaystyle X_{1,H}(z)={\frac {1}{2}}[X(z^{\frac {1}{2}})H(z^{\frac {1}{2}})+X(-z^{\frac {1}{2}})H(-z^{\frac {1}{2}})]}$  

• 升頻(interpolation)2倍後，再通過IDWT的低通重建濾波器 ${\displaystyle g_{1}(n)}$  ，

${\displaystyle X_{0}(z)={\tfrac {1}{2}}[X(z)G(z)+X(-z)G(-z)]G_{1}(z)+{\tfrac {1}{2}}[X(z)H(z)+X(-z)H(-z)]H_{1}(z)}$  

${\displaystyle ={\tfrac {1}{2}}[G(z)G_{1}(z)+H(z)H_{1}(z)]X(z)+{\tfrac {1}{2}}[G(-z)G_{1}(z)+H(-z)H_{1}(z)]X(-z)}$  

若要完整重建，則${\displaystyle X_{0}(z)=X(z)}$ 

條件1：${\displaystyle G(z)G_{1}(z)+H(z)H_{1}(z)=2}$  

條件2：${\displaystyle G(-z)G_{1}(z)+H(-z)H_{1}(z)=0}$  

因此，在設計高低通重建濾波器時，需要考慮上述條件，寫成矩陣形式如下：

${\displaystyle {\binom {G_{1}(z)}{H_{1}(z)}}={\frac {2}{det(H_{m}(z))}}{\binom {H(-z)}{-G(-z)}}}$  

其中 ${\displaystyle det(H_{m}(z))=G(z)H(-z)-H(z)G(-z)}$  

離散小波轉換(DWT)設計

四大條件：

1.DWT通濾波器 ${\displaystyle g(n)}$ ，${\displaystyle h(n)}$ 必須要是有限長度。

2.滿足${\displaystyle h(n)}$ 是高通濾波器(high pass filter)，${\displaystyle g(n)}$ 是低通濾波器(low pass filter)。

3.滿足完整重建要條件，${\displaystyle {\binom {G_{1}(z)}{H_{1}(z)}}={\frac {2}{det(H_{m}(z))}}{\binom {H(-z)}{-G(-z)}}}$ ，其中 ${\displaystyle det(H_{m}(z))=G(z)H(-z)-H(z)G(-z)}$ 

4.若${\displaystyle g(n)}$ ，${\displaystyle h(n)}$ 為有限長度，則${\displaystyle det(H_{m}(z))=G(z)H(-z)-H(z)G(-z)=\alpha z^{k}}$  ，且 ${\displaystyle k}$  為奇數。

>第4點較難達成，是DWT設計的核心

*為什麼k是奇數？

假設k为偶数，

z=-1

${\displaystyle det(H_{m}(-1))=G(-1)H(1)-H(-1)G(1)=\alpha (-1)^{k}=1}$ 

z=1

${\displaystyle det(H_{m}(1))=G(1)H(-1)-H(1)G(-1)=\alpha (1)^{k}=1}$ 

${\displaystyle G(1)H(-1)-H(1)G(-1)=G(-1)H(1)-H(-1)G(1)}$ 

${\displaystyle H(1)G(-1)=G(1)H(-1)}$ 

代回

${\displaystyle det(H_{m}(-1))=G(-1)H(1)-H(-1)G(1)=0}$ 

顯然出現矛盾。

所以k必須為奇数。

以下介紹兩種完美重建的DWT濾波器：

1.Quadrature Mirror Filter(QMF)

• ${\displaystyle H(z)=G(-z)}$ 

${\displaystyle \Longrightarrow }$  ${\displaystyle h(n)=(-1)^{n}g(n)}$ 

• ${\displaystyle G_{1}(z)=G(z)z^{-k}}$ 

${\displaystyle \Longrightarrow }$  ${\displaystyle g_{1}(n)=g(n-k)}$ 

• ${\displaystyle H_{1}(z)=-G(-z)z^{-k}}$ 

${\displaystyle \Longrightarrow }$  ${\displaystyle h_{1}(n)=(-1)^{n-k+1}g(n-k)}$ 

${\displaystyle det(H_{m}(z))=G(z)H(-z)-H(z)G(-z)=2z^{k}}$ ，且 ${\displaystyle k}$  為奇數。

2.Orthonormal Wavelet

• ${\displaystyle G(z)=G_{1}(z^{-1})}$ 

${\displaystyle \Longrightarrow }$  ${\displaystyle g(n)=g_{1}(-n)}$ 

• ${\displaystyle H(z)=-z^{k}G_{1}(-z)}$ 

${\displaystyle \Longrightarrow }$  ${\displaystyle h(n)=(-1)^{n}g_{1}(n+k)}$ 

• ${\displaystyle H_{1}(z)=-z^{k}G_{1}(-z^{-1})}$ 

${\displaystyle \Longrightarrow }$  ${\displaystyle h_{1}(n)=(-1)^{n}g_{1}(-n+k)}$ 

${\displaystyle det(H_{m}(z))=G(z)H(-z)-H(z)G(-z)=2z^{k}}$ ，且 ${\displaystyle k}$  為奇數。

多數的wavelet屬於orthonormal wavelet。

其他應用

壓縮、去除雜訊：使用低通濾波器，將小波轉換的高頻濾掉，即保留${\displaystyle x_{1,LL}[m,n]}$ 而將其他部分捨棄。

• 邊緣偵測：使用高通濾波器，將小波的低頻濾掉，即保留${\displaystyle x_{1,HL}[m,n]}$ 或${\displaystyle x_{1,LH}[m,n]}$ 而捨棄其他部分。
• R语言小波分析wavelet （页面存档备份，存于互联网档案馆）
• 作為 JPEG2000 的內部架構
• 模式辨認：由於可以利用低頻的部分得到原圖的縮略版，加上模式通常為整體的特性，藉由在縮略圖上進行工作，小波轉換可以有效減少尋找模式與比對模式的運算時間
• 濾波器設計：小波轉換保留部分時間資訊，可以據此資訊加上訊號的強度資訊，保留特定時點的資訊而同時去除雜訊

同時參閱

• 小波分析
• 連續小波轉換
• 哈爾小波轉換
• 信號處理

參考

• Jian-Jiun Ding, Time frequency analysis and wavelet transform class note,the Department of Electrical Engineering, National Taiwan University (NTU), Taipei, Taiwan, 2009,2016 .http://djj.ee.ntu.edu.tw/TFW.htm （页面存档备份，存于互联网档案馆）
• Stéphane Mallat, A Wavelet Tour of Signal Processing （页面存档备份，存于互联网档案馆）